Odyssey-2026 论文

该研究用四种自监督前端搭配四种后端、在三种多语料组合与六个评测集上对照，报告显示 XLSR 搭配 ResNet 平均等错误率最低，加入外部语料让 ASVspoof 5 编解码子集等错误率走高而野外子集走低，约 8 小时西班牙语伪造音频让西班牙语评测大幅改善而中文评测维持原量级。

针对两说话人 Hindi-English 医疗对话的说话人日志任务，论文比较 Diaper、Pyannote 3.1 与 DiariZen 并做域自适应，最强证据是解冻 WavLM 的 DiariZen-large 在 dev2 上达 8.57% DER、六系统融合后达 8.48% DER，代价是半监督策略高度依赖模型且融合增加系统复杂度。

针对连续西班牙语静音发音重建中说话人发音差异大且数据少的问题，论文提出每轮按音素平均误差自适应调整帧级损失权重的方法，在肌电和唇读两种模态上以字符错误率为主要证据显示多数说话人可懂度提升，但增益随预训练增强而减小且呈说话人依赖。

该文把攻击溯源做成验证问题，用自监督前端加角度间隔与混合正则训练与训练集完全隔离的嵌入器，在分布内用少样本后端取胜而在分布外用零样本余弦取胜，但两类等错率仍在 13% 至 30% 量级。

论文把声纹伪造检测的跨库崩溃拆成捷径依赖与域偏移两类失败，用有向图加受控声学干预证明非语音结构是主捷径，而针对性增强能解耦但要付出域内代价。

针对声音匿名化中情感保留被硬标签平均召回低估不确定性的问题，该研究把语音情感识别输出换成概率与对数值并比较原始与匿名化嵌入距离，用 23 人 MUSHRA 主观评分为准，发现概率向量欧氏距离与人耳判断高度相关且不再依赖真值标注，但属性预测表示仍弱于类别表示。

SRE24 音频轨围绕电话与视频伴音、变长注册与短测试、多语言与多人语音组织说话人确认试验，分析报告三段注册优于单段长注册、电话匹配优于视频伴音匹配、短测试与多人测试明显更难，而放宽训练数据的改善大于多系统融合的改善。

该文在 VoxCeleb2 上系统改变 ResNet 的深度、宽度和阶段分布并用节点级传感器实测训练与推理能耗，显示超过 ResNet-101-D/ResNet-200-D 后精度增益迅速收窄而能耗陡增，中型与中间阶段集中结构取得更优的性能与环境折中。

针对聚类式说话人日志把多人同时说话和背景语音误并入单说话人簇的问题，论文用多说话人态与背景态增广 HMM 状态空间并引入外部说话人切换点约束，在 DoPaCo 无重叠上相对基线降低约 55% 说话人错误率，代价是默认非重叠输出在重叠区漏检较高，需外接重叠检测才可做重叠感知输出。

论文把 CosFace 证明为 Q-Margin 在 α 趋于 1 时的特例，并用大小模型与大小数据对照说明稀疏在小数据与大模型微调中有用，但小模型在大规模训练后易出现梯度饥饿。

论文以语音、音乐、环境音和歌声四类伪造检测为问题，用单前端、双前端与蒸馏双前端对比自监督前端选择，最强证据是 XLS-R 加 EAT 十八层双前端在联合训练下取得最低平均等错误率，代价是前端参数量明显增大且混合音频仍大幅退化。

针对神经退行性疾病语音监测中临床量表噪声大与小数据难复用的问题，论文提出只要求预测分数服从样本间排序的比较器损失，在仅用自报三级标签训练的条件下得到与 ALSFRS-R 等未见标注相关的严重度分数，其代价是分数绝对值无标定且对录音条件偏移敏感。

针对多系统分数融合采用全局映射会抹掉信道与性别等条件差异的问题，该文用嵌入推断离散隐条件并按条件做高斯生成式似然比融合，在 SRE24 评测上相对逻辑回归取得约两成相对改善，但代价是引入嵌入维度与条件数等超参数和更复杂的无监督训练。

该工作用自发语音同时检验阿尔茨海默病淀粉样蛋白阳性预测与原发性进行性失语三分类，对比拼接加注意力池化的 DMHAM 与词级对齐加门控交叉注意力的 CogniAlign，最强证据是西班牙语 SPIN 队列上 CogniAlign 加手工声学特征达到淀粉样预测准确率 83.86%，代价是 PPA 小样本三分类不稳定且手工特征在不同任务上时而冗余时而互补。

针对三种真实退化信道下 11 种零样本克隆把验证错误率推高且预训练检测接近失效的问题，论文用混合标准库与域内退化语音的微调把已知攻击检测恢复到低错误率并改善部分未知攻击，代价是高保真未知攻击与小模型遗忘仍未解决。

针对 HeyJay!数据集的三级构音障碍严重程度分类问题，论文用冻结的 wav2vec 2.0 Large XLSR-53 做特征提取加约 67000 参数的可训练解码器，在说话人独立五折交叉验证下取得话语级准确率 64.6%、说话人级准确率 80.2%，代价是中度与重度边界仍存在与专家分歧同构的混淆。

该研究用会话对齐加 Conformer 加 CTC 直接从皮层神经活动解码字符序列，在验证集上报告字符错误率为 23.80%，代价是跨会话信号漂移仍大且词边界错误集中。

论文把匿名评估从说话人验证的二值判定改到对特征表示的相似度排序，用秩泄露的平均与最坏比特揭示 2024 VoicePrivacy Challenge 中与等错误率矛盾的系统弱点，但结论依赖半知情强攻击与 40 人排序池。

针对构音障碍等病理语音与常态语音声学失配问题，该研究在冻结 Voxtral-Mini 全部权重下用 x-vector 驱动的逐层 FiLM 做说话人条件化，在 TORGO 和 NeuroVoz 上以约 1.6% 可训练参数获得接近微调的识别与问答保持能力，但原始识别输出更依赖后处理纠错。

针对噪声混响等导致语言向量漂移的问题，该文冻结语种识别器并在其输出向量上学习流匹配变换，用五语种失真配对实验把 ECAPA 整体准确率从 0.6900 提升到 0.8672，代价是推理需 50 步常微分方程求解且法语等个别情形仍弱于波形前端。